视频人体行为识别关键技术研究
| 摘要 | 第8-10页 |
| Abstract | 第10-11页 |
| 第1章 绪论 | 第12-32页 |
| 1.1 研究背景 | 第12-14页 |
| 1.2 国内外研究现状 | 第14-28页 |
| 1.2.1 手工特征 | 第16-21页 |
| 1.2.2 深度特征 | 第21-26页 |
| 1.2.3 行为识别数据集 | 第26-28页 |
| 1.3 面临的关键问题 | 第28-29页 |
| 1.4 本文研究内容 | 第29-31页 |
| 1.5 本文组织结构 | 第31-32页 |
| 第2章 基于动作分解的行为识别 | 第32-42页 |
| 2.1 引言 | 第32-33页 |
| 2.2 基于动作分解的行为识别框架 | 第33-38页 |
| 2.2.1 动作分解与代表帧采样 | 第33-35页 |
| 2.2.2 CNN特征学习与融合 | 第35-36页 |
| 2.2.3 动作时序建模 | 第36-38页 |
| 2.3 实验及结果分析 | 第38-41页 |
| 2.3.1 实验数据集及设置 | 第38页 |
| 2.3.2 算法参数分析 | 第38-39页 |
| 2.3.3 采样策略比较 | 第39-40页 |
| 2.3.4 与前沿算法比较 | 第40-41页 |
| 2.4 本章小结 | 第41-42页 |
| 第3章 基于运动显著性的行为识别 | 第42-52页 |
| 3.1 引言 | 第42-45页 |
| 3.2 H-FCN算法及其改进 | 第45-48页 |
| 3.2.1 全卷积网络模型 | 第45-46页 |
| 3.2.2 H-FCN算法 | 第46-47页 |
| 3.2.3 H-FCN算法改进 | 第47-48页 |
| 3.3 基于运动显著性的图像块采样 | 第48页 |
| 3.4 实验及结果分析 | 第48-51页 |
| 3.4.1 实验数据集及设置 | 第48-49页 |
| 3.4.2 改进的H-FCN算法分析 | 第49-50页 |
| 3.4.3 图像块采样方法比较 | 第50-51页 |
| 3.5 本章小结 | 第51-52页 |
| 第4章 基于多模态特征的行为识别 | 第52-63页 |
| 4.1 引言 | 第52-54页 |
| 4.2 运动边界CNN特征 | 第54-55页 |
| 4.3 梯度边界CNN特征 | 第55-56页 |
| 4.4 多模态特征融合 | 第56-58页 |
| 4.5 实验结果及分析 | 第58-62页 |
| 4.5.1 实验数据集及设置 | 第58页 |
| 4.5.2 多模态特征比较 | 第58-60页 |
| 4.5.3 多模态特征融合评估 | 第60-62页 |
| 4.6 本章小结 | 第62-63页 |
| 第5章 基于实时全局运动补偿的行为识别 | 第63-74页 |
| 5.1 引言 | 第63-65页 |
| 5.2 实时全局运动补偿算法 | 第65-69页 |
| 5.2.1 全局运动参数模型 | 第65-66页 |
| 5.2.2 全局运动估计 | 第66-68页 |
| 5.2.3 全局运动补偿 | 第68-69页 |
| 5.3 实验及结果分析 | 第69-73页 |
| 5.3.1 实验数据集及设置 | 第69-70页 |
| 5.3.2 CGME算法评估 | 第70-71页 |
| 5.3.3 与前沿算法比较 | 第71-73页 |
| 5.4 本章小结 | 第73-74页 |
| 第6章 总结与展望 | 第74-76页 |
| 6.1 本文工作总结 | 第74-75页 |
| 6.2 未来工作展望 | 第75-76页 |
| 参考文献 | 第76-84页 |
| 攻博期间发表的科研成果目录 | 第84-86页 |
| 致谢 | 第86页 |
